reshape 和 view 的效率比较

最新推荐文章于 2025-01-22 19:27:35 发布

wujpbb7

最新推荐文章于 2025-01-22 19:27:35 发布

阅读量317

点赞数 1

分类专栏：模式识别编程文章标签： python tensor

本文链接：https://blog.csdn.net/blueblood7/article/details/132606257

版权

模式识别同时被 2 个专栏收录

86 篇文章

订阅专栏

编程

69 篇文章

订阅专栏

如果 tensor 是连续的，reshape 返回的是视图，和 view 一致。

如果 tensor 是不连续的，view 用不了。

view 的存在是为了向后兼容。

参考：python - What's the difference between reshape and view in pytorch? - Stack Overflow

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

wujpbb7

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

PyTorch：view() 与 reshape() 区别详解

Flag_ing的博客

10-17

6万+

总之，view能干的reshape都能干，如果view不能干就用reshape来处理。目录一、PyTorch中tensor的存储方式 1、PyTorch张量存储的底层原理 2、PyTorch张量的步长（stride）属性二、view() 和reshape() 的比较 1、torch.Tensor.view() 2、torch.reshape() 一、PyTorch中tensor的存储方式想要深入理解view与reshape的区别，首先要理解一些有关PyTorch张量存储的底层原理，

Pytorch学习笔记——reshape和view的区别

码农1479的博客

03-17

1024

在使用pytorch或者读别人的代码时，reshape和view是最常用的，都是矩阵变形，二者到底有什么区别呢？

参与评论您还未登录，请先登录后发表或查看评论

PyTorch中.view()与.reshape()方法的对比(还有.resize_()方法的一些说明)

风筝大晒的博客

02-13

6639

torch.Tensor.reshape() VS torch.Tensor.view() 相同点：从功能上来看，它们的作用是相同的，都是将原张量元素(按顺序)重组为新的shape。区别在于： .view()方法只能改变连续的(contiguous)张量，否则需要先调用.contiguous()方法，而.reshape()方法不受此限制； .view()方法返回的张量与原张量共享基础数据(...

pytorch函数reshape()和view()的区别及张量连续性

laosao_66的博客

09-28

2323

PyTorch中的view()和reshape()方法都用于将tensor的形状调整为新的形状。view()方法返回一个新的tensor，其中数据与原始tensor相同，但具有新的形状，并且对共享存储空间进行严格的处理；reshape()方法也返回一个新的tensor，其中数据与原始tensor相同，但是对共享存储空间的处理比较灵活，可以处理整个形状大小的变化。在使用这两种方法时，需要根据需要选择不同的方法。

【轻松掌握】PyTorch中 reshape() 和 view() 的区别详解

创作高质量博文，分享知识，共同进步！

02-06

2501

🚀轻松解锁PyTorch张量重塑奥秘！💡`reshape()`和`view()`助你灵活调整数据维度。🔄掌握二者差异，避免常见错误。💡深入`contiguous()`理解，确保数据连续高效。🔄通过应用场景实战，加深理解。🚀读完本文，你将轻松驾驭PyTorch张量重塑技巧！#PyTorch #reshape #view #contiguous #张量重塑 #深度学习 #机器学习

【chatgpt】 PyTorch中reshape和view

Never Give Up

07-03

622

view要求原始张量是连续的。如果不是连续的，需要先调用contiguous方法。在连续张量上非常高效，因为它不会复制数据，只是改变了视图。reshape更加灵活，可以处理非连续的张量。尝试返回一个共享数据的新张量，但如果不能实现，会创建一个新的张量并复制数据。在实际使用中，如果你确定你的张量是连续的，并且你不希望创建数据的副本，使用view会更高效。而如果你的张量可能是非连续的，或者你希望更加灵活地重塑张量，reshape会是更好的选择。

基于PyTorch的permute和reshape/view的区别介绍

09-16

在PyTorch中，`permute`、`reshape`（通过`.view()`方法实现）和`view`都是处理Tensor形状变换的重要操作，但它们之间有着...而当你需要调整数据的形状以适应计算或存储效率时，`reshape`（`.view()`）则是更好的选择。

pytorch 在sequential中使用view来reshape的例子

09-18

在PyTorch中，`Sequential`是一个非常常用的模块，它允许我们将多个`nn.Module`子类按照顺序组织在一起，形成一个简单的神经网络结构。...在实际应用中，我们应该根据具体需求灵活运用，以保证模型的正确性和效率。

Tensor 基本操作3 理解 shape, stride, storage, view，is_contiguous 和 reshape 操作 | PyTorch 深度学习实战

最新发布

Chatopera

01-22

1131

前一篇文章，Tensor 基本操作2 理解 tensor.max 操作，沿着给定的 dim 是什么意思 | PyTorch 深度学习实战本系列文章 GitHub Repo: https://github.com/hailiang-wang/pytorch-get-startedTensor 作为 PyTorch 最重要的对象，就是一个多维数组，那么 Python builtin 的 List, Set, Collection 也可以用来构建多维数组，为什么要重新做对象呢？原因在于 Python 内置的

PyTorch transpose、permute、view和einops.rearrange

qq_27390023的博客

12-28

543

和 PyTorch 中的transposepermute以及view都用于张量的操作，但它们的功能侧重和用法各有不同。

pytorch reshape view性能对比（以及einsum, matmul）

bagba的知识分享库

07-07

1307

pytorch reshap和view性能对比，einsum和matmul性能对比

[Python] 更改矩阵形状：reshape(m,n)、view(m,n)和view_as(tensor)

真理无穷，进一步有进一步的欢喜

06-27

4769

`.reshape(m,n)`和`.view(m,n)`实质上是将元素重组为新的**shape**。

pytorch: torch.Tensor.view ------ reshape

wzg2016的博客

10-21

7002

torch.Tensoe.view(python method, in torch.Tensor) 作用: 将输入的torch.Tensor改变形状(size)并返回.返回的Tensor与输入的Tensor必须有相同的元素,相同的元素数目,但形状可以不一样即,view起到的作用是reshape,view的参数的是改变后的shape. 示例如下: >>> x = tor...

torch中的view()和reshape()的区别

qq_39197555的博客

12-15

6752

torch的view()与reshape()方法都可以用来重塑tensor的shape，区别就是使用的条件不一样。view()方法只适用于满足连续性条件的tensor，并且该操作不会开辟新的内存空间，只是产生了对原存储空间的一个新别称和引用，返回值是视图。而reshape()方法的返回值既可以是视图，也可以是副本，当满足连续性条件时返回view，否则返回副本[ 此时等价于先调用contiguous()方法在使用view() ]。因此当不确能否使用view时，可以使用reshape。如果只是想简单地重塑一个t

torch中reshape()和view()

lmb09122508的博客

01-16

5117

二者功能类似，都是为了改变tensor的shape。不同点在于view()只是改变shape，数据还是原来的数据；并且view()只能处理连续的内存，因此前面经常跟一个contiguous()；而reshape()则没那么可控，他的执行结果可能是源数据的一个copy，也可能不是。是不是很蛋疼。文档中这么说： Returns a tensor with the same data an...

pytorch学习笔记五：pytorch中reshape、view以及resize_之间的区别

热门推荐

耐心的小黑的博客

04-08

3万+

这里以torch.Tensor下的reshape，view，resize_来举例一、先来说一说reshape和view之间的区别相同点：都是可以改变tensor的形状不同点： .view()方法只能改变连续的(contiguous)张量，否则需要先调用.contiguous()方法，而.reshape()方法不受此限制；如果对 tensor 调用过 transpose, permute等...

SVM 中查看支持向量的权重。

blueblood7的专栏

05-04

1万+

我想验证一下，在 SVM 中是不是支持向量离分类线越近，权重越大。 matlab代码如下： function [sv_num, err_rate] = play_svm(class_sample_num) %缺省类样本数是10。 if nargin == 0 class_sample_num = 10; end %生成满足二维高斯分布的

pth 转 onnx 时出现的 gather、unsqueeze 等算子

blueblood7的专栏

09-14

9909

带动态输入的view或者reshape转成onnx会有shape/gather/unsqueeze/concat算子。替换成 flatten 即可。 def forward(self, inputs): x1 = self.conv1(inputs) x2 = self.conv2(x1) # 带动态输入的 view 或者 reshape 转成 onnx 会有shape/gather/unsqueeze/concat算子。 ...

使用 trt 的int8 量化和推断 onnx 模型

blueblood7的专栏

03-27

8698

目录生成 trt 模型 1、使用代码 2、onnx模型和图片 3、修改代码 4、结果推断 trt 模型生成 trt 模型 1、使用代码 https://github.com/rmccorm4/tensorrt-utils.git 2、onnx模型和图片模型：动态batch输入（假设为mob_w160_h160.onnx，输入是 [batchsize, 3, 160, 160]）。图片：一堆图片（假设有1024张），不需要其他描述文件。在tensorrt-u...

深度学习reshape的作用

01-21

### 深度学习中的 Reshape 操作 Reshape 是一种用于改变张量形状的操作，而不改变其数据。此操作允许开发者调整张量的维度以适应不同层的需求或优化计算效率。 #### PyTorch 中的 `reshape` 函数在 PyTorch 中，`reshape()` 可用来重新排列张量的尺寸而不会影响底层数据[^1]。该函数接受新的形状作为参数，并返回一个新的具有指定形状的张量。如果希望保持某个维度不变，则可以在相应位置传入 `-1`，这会让 PyTorch 自动推断合适的大小。 ```python import torch # 创建一个随机初始化的 4D 张量 (batch_size=2, height=3, width=4, channels=5) tensor_4d = torch.rand((2, 3, 4, 5)) # 将上述张量重塑成二维矩阵形式 reshaped_tensor = tensor_4d.reshape(-1, 5) print(f'Original shape: {tensor_4d.shape}') print(f'Reshaped shape: {reshaped_tensor.shape}') ``` 对于更复杂的情况，比如 Vision Transformer 中处理图像嵌入时，可能需要将多维数组转换为特定的一维序列格式 `(n, h*w, c)`。此时可以利用 `reshape()` 或者类似的 `view()` 方法来简化这一过程[^2]： ```python image_tensor = torch.randn([4, 10, 10, 3]) flattened_image = image_tensor.reshape(image_tensor.size(0), -1, image_tensor.size(-1)) print(flattened_image.shape) # 输出应为 [4, 100, 3] ``` 值得注意的是，在某些情况下，直接修改张量的 `.size()` 属性并不总是安全的选择；因此推荐优先考虑使用 `reshape()` 来实现动态调整需求[^3]。